2 o Teste de Aprendizagem Automática
|
|
- Helena Bugalho
- 5 Há anos
- Visualizações:
Transcrição
1 2 o Teste de Aprendizagem Automática 3 páginas de enunciado com 6 perguntas mais 2 folhas de resposta. Duração: 1h 30m DI, FCT/UNL, 21 de Dezembro de 2017 Pergunta 1 [4 valores] Considere um problema de classificação com classes de hipóteses H com um número infinito de hipóteses. Podemos estimar um limite superior para o erro verdadeiro da hipótese com menor erro empírico ĥ em relação ao seu erro empírico Ê(ĥ). Há apenas uma probabilidade de δ do erro verdadeiro ultrapassar esta soma, onde V C é a dimensão Vapnik Chervonenkis do classificador e m o tamanho do conjunto de treino: ( ) Ê(ĥ) + O V C(H) m ln m V C(H) + 1 m ln 1 δ Dimensão Bias Var Partindo de um conjunto de dados a duas dimensões, a tabela mostra os valores de bias e variance calculados com classificadores lineares aplicados aos dados originais (dimensão 2) e a expansões não lineares dos dados originais para mais dimensões (3 a 7). 1.a) Indique a dimensão de um destes classificadores em que o termo Ê(ĥ) seja o mais importante na estimativa do limite superior do erro verdadeiro. Justifique a sua resposta. 1.b) Indique a dimensão de um destes classificadores em que o termo V C(H) m ln m V C(H) + 1 m ln 1 δ seja o mais importante na estimativa do limite superior do erro verdadeiro. Justifique a sua resposta. Pergunta 2 [4 valores] Num problema de classificação com duas classes queremos reduzir a dimensão de quatro para dois atributos. O painel da esquerda da figura abaixo mostra os gráficos de kernel density estimation da distribuição dos valores de cada atributo (X1 a X4), na mesma escala, com as distribuições para os exemplos da classe 1 na linha de cima e as distribuições dos exemplos da classe 2 na linha de baixo. O painel da direita mostra a matriz de gráficos de dispersão (scatter matrix) para estes dados. 2.a) Quais os dois atributos que seleccionaria, destes quatro? Justifique a sua resposta e se houver alternativas enumere-as.
2 2 2.b) Suponha que em vez de seleccionar dois atributos fez uma análise de componentes principais (Principal Component Analysis) e projectou os dados nos dois componentes com maior valor próprio, com o principal no eixo horizontal o segundo no eixo vertical. Indique qual dos três gráficos abaixo (A, B, C) corresponde a esta projecção explicando porque é que os outros dois gráficos não podem ser os correctos. Note que as escalas são iguais nos 3 gráficos. Pergunta 3 [3 valores] A figura à direita mostra o resultado das duas primeiras iterações de um algoritmo de clustering. A primeira iteração separou os exemplos em dois grupos indicados pela cor, com os triângulos a negro num grupo e os restantes, a cinzento, no outro. A segunda iteração criou dois clusters adicionais com os exemplos do grupo a cinzento, diferenciados pelos quadrados e pelos círculos. Para cada um destes três algoritmos, indique se pode ou não pode ter sido esse o algoritmo usado, justificando a sua resposta: 3.a) Fuzzy C-Means 3.b) Bissecting K-Means 3.c) Agglomerative Clustering Pergunta 4 [6 valores] O mesmo conjunto de dados bidimensionais foi agrupado com algoritmos de clustering diferentes. Em todos os casos foi usada a distância euclideana como medida de distância entre pontos. Leia as quatro aĺıneas desta pergunta primeiro e observe atentamente os gráficos que se seguem antes de responder justificando cada resposta. No gráfico, cada símbolo maior representa um ponto num cluster. Os pontos que não foram atribuídos a um cluster são representados com círculos pequenos (gráficos A e D). 4.a) Qual gráfico (A, B, C, D) mostra o resultado da aplicação do algoritmo Density-based spatial clustering of applications with noise (DBSCAN), com um valor de 10 para o número mínimo de vizinhos para os pontos de core? 4.b) Qual gráfico mostra o resultado da aplicação do algoritmo DBSCAN com um valor de 5 para o número mínimo de vizinhos para os pontos de core? 4.c) Qual gráfico mostra o resultado de clustering usando o algoritmo de k-means com um valor de k = 2? 4.d) Qual gráfico mostra o resultado de clustering usando uma mistura de duas distribuições Gaussianas?
3 3 A B C D Pergunta 5 [2 valores] O treino de modelos ocultos de Markov (Hidden Markov Models) e de algoritmos de clustering como K-Means e misturas de gaussianas (Gaussian Mixture Models) exige resolver o problema de maximizar a verosimilhança de um conjunto de parâmetros sem se saber todas as variáveis a modelar (por exemplo, os estado ocultos no HMM ou as atribuições aos clusters no K-Means e GMM). Explique sucintamente como se resolve esse problema. Pergunta 6 [1 valores] Em teoria, uma rede neuronal com uma camada oculta pode aproximar qualquer função simplesmente aumentando o número de neurónios na camada oculta. Explique porque é que, ainda assim, é geralmente preferível usar uma rede neuronal profundas em vez de uma rede neuronal com uma camada oculta suficientemente grande.
4 1a) 1b) 2a) 2b) 3a) 3b) 3c)
5 4a) 4b) 4c) 4d) 5) 6)
Exame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia mais1 o Teste de Aprendizagem Automática
o Teste de Aprendizagem Automática 3 páginas com 6 perguntas e 2 folhas de resposta. Duração: 2 horas DI, FCT/UNL, 22 de Outubro de 205 Pergunta [4 valores] As figuras abaixo mostram o erro de treino e
Leia mais1 o Teste de Aprendizagem Automática
o Teste de Aprendizagem Automática 3 páginas, 5 perguntas, folhas de resposta. Duração: horas DI, FCT/UNL, 30 de Abril de 04 Pergunta [4 valores] Foram criadas, por amostragem aleatória com reposição,
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisMétodos de reamostragem
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Métodos de reamostragem Eduardo Vargas Ferreira Função custo 2 Função custo Matriz de confusão: é um layout de tabela que
Leia maisUniversidade de São Paulo Eletromagnetismo ( ) Prova 1
Instituto de Física de São Carlos Universidade de São Paulo Eletromagnetismo 760001) 3 de abril de 018 Prof. D. Boito Mon.:. Carvalho 1 sem. 018: Bacharelados em Física Nome e sobrenome: n. USP: Prova
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisT6.1 Reconhecimento de Padrões
T6.1 Reconhecimento de Padrões Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Introdução ao reconhecimento de padrões 2. Representação do conhecimento 3. Reconhecimento
Leia maisAprendizado de Máquinas. Introdução à Aprendizado Não- Supervisionado
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Introdução à Aprendizado Não- Supervisionado David Menotti, Ph.D. http://web.inf.ufpr.br/menotti Objetivos
Leia maisCÁLCULO I. Lista Semanal 01 - Gabarito
CÁLCULO I Prof. Márcio Nascimento Prof. Marcos Diniz Questão 1. Nos itens abaixo, diga se o problema pode ser resolvido com seus conhecimentos de ensino médio (vamos chamar de pré-cálculo) ou se são necessários
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 11.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A.º Ano Versão Nome: N.º Turma: Apresente o seu raciocínio de forma clara, indicando todos os cálculos que tiver de efetuar e todas as justificações necessárias. Quando,
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Redes de uma única camada O Perceptron elementar Classificação de padrões por um perceptron A tarefa de classificação consiste em aprender a atribuir rótulos a dados que
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 10 de Janeiro de 2012 9:00-11:30 Este exame é composto por 16 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisAprendizagem por treinamento de redes de aproximação
Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes
Leia maisMapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995))
Mapas Auto-Organizáveis de Kohonen (SOM) SOM é uma rede neural artificial (Kohonen (1995)) que realiza simultaneamente agrupamento e visualização SOM usa aprendizagem não supervisionada para mapear dados
Leia maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisTeoria do aprendizado
Teoria do aprendizado Marcelo K. Albertini 7 de Agosto de 2014 2/37 Teoria do aprendizado Teoremas não existe almoço grátis Viés e variância Aprendizado PAC Dimensão VC Máquinas de vetores suporte 3/37
Leia maisdetecção de voz cantada em sinais de áudio polifônicos
detecção de voz cantada em sinais de áudio polifônicos Aplicações, Abordagens e Desafios Shayenne Moura 23. April 2018 Instituto de Matemática e Estatística Universidade de São Paulo o problema Detecção
Leia maisEXAME NACIONAL DO ENSINO SECUNDÁRIO
PROVA 435/9 Págs. EXAME NACIONAL DO ENSINO SECUNDÁRIO 12.º Ano de Escolaridade (Decreto-Lei n.º 286/89, de 29 de Agosto) Cursos Gerais e Cursos Tecnológicos - Programa ajustado Duração da prova: 120 minutos
Leia maisaula INTERPRETAÇÃO DOS DADOS DO PLANEJAMENTO FATORIAL 2 2 META conhecer fundamentos do planejamento fatorial, vistos na aula anterior
INTERPRETAÇÃO DOS DADOS DO PLANEJAMENTO FATORIAL 2 2 META conhecer fundamentos do planejamento fatorial, vistos na anterior OBJETIVOS Ao final desta, o aluno deverá: capacitar o aluno a manipular os dados
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Tipos de Aprendizagem. Luiz Eduardo S. Oliveira, Ph.D.
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Tipos de Aprendizagem Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Introduzir diferentes tipos de
Leia maisAluno: Tiago Andrade Togores Orientador: Professor Flávio Soares Côrrea da Silva
Aluno: Tiago Andrade Togores Orientador: Professor Flávio Soares Côrrea da Silva Interação humano-computador Interação humano-computador Interfaces naturais Interação humano-computador Interfaces naturais
Leia maisCluster. Larissa Sayuri Futino Castro dos Santos
Cluster Larissa Sayuri Futino Castro dos Santos Agenda O que faremos Modelos de Mistura LDA Reconhecimento Overview Mét. Particionais E Hierárquicos Melhorias K-Medians K-Medoids K-Modes Mét. Probabilís
Leia maisAula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad
Aula 3: Análise Exploratória de Dados Espaciais (AEDE) Prof. Eduardo A. Haddad Exercício 4 (spatial scale and rate of density) Inferência pode mudar com a escala espacial Problemas de agregação espacial
Leia maisNotas de Aula de Cálculo Numérico
IM-Universidade Federal do Rio de Janeiro Departamento de Ciência da Computação Notas de Aula de Cálculo Numérico Lista de Exercícios Prof. a Angela Gonçalves 3 1. Erros 1) Converta os seguintes números
Leia maisAprendizado de Máquinas. Classificadores Lineares
Universidade Federal do Paraná (UFPR) Departamento de Informática Aprendizado de Máquinas Classificadores Lineares David Menotti, Ph.D. web.inf.ufpr.br/menotti Objetivos Introduzir o conceito de classificação
Leia maisCARTOGRAFIA TEMÁTICA. Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura
CARTOGRAFIA TEMÁTICA Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura - 2019 Classificação de dados Desvio Padrão Considera como os dados estão distribuídos
Leia maisPROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1)
PROCEDIMENTOS NÃO SUPERVISIONADOS E TÉCNICAS DE AGRUPAMENTO (parte 1) 1 Procedimentos não supervisionados Não se conhece a classificação das amostras de treinamento Qual é o interesse? 1) Coletar e rotular
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisINSTITUTO SUPERIOR TÉCNICO LEFT LEBL LQ LEAM LEMAT Ano Lectivo: 2006/2007 Semestre: 2 o
INSTITUTO SUPERIOR TÉCNICO LEFT LEBL LQ LEAM LEMAT Ano Lectivo: 2006/2007 Semestre: 2 o MATEMÁTICA COMPUTACIONAL Eercícios 1.1. Represente num sistema de ponto flutuante com 4 dígitos na mantissa e arredondamento
Leia maisMétodos Computacionais em Física
Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-1 Integração usando o método da rejeição Queremos calcular a integral Definimos um retângulo de altura H que contenha a
Leia maisRedes de Funções de Base Radial Radial Basis Functions (RBFs)
Redes de Funções de Base Radial Radial Basis Functions (RBFs) Germano C. Vasconcelos Centro de Informática - UFPE Introdução Em uma RBF, a rede é definida do ponto de vista de um problema de aproximação
Leia maisEXERCÍCIOS REVISIONAIS SOBRE BINÔMIO DE NEWTON SISTEMAS LINEARES PROBABILIDADE 2 ANO
QUESTÃO 1: Uma urna contém 4 bolas vermelhas, 6 pretas e 5 azuis. Retirando-se dessa urna, ao acaso, uma bola, CALCULE a probabilidade de ela: ser vermelha. ser vermelha ou preta. não ser azul. QUESTÃO
Leia maisNúmero: Nome:
Número: Nome: -------------------------------------------------------------------------------------------------------------- INSTITUTO SUPERIOR TÉCNICO Sistemas de Apoio à Decisão Exame: 2 6 Julho 2009
Leia maisCapítulo III: Sistemas de equações. III.1 - Condicionamento de sistemas lineares
EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL Capítulo III: Sistemas de equações III1 - Condicionamento de sistemas lineares 1 Seja 1 0 0 10 6 e considere o sistema Ax = b, com b = 1 10 6 T, que tem por solução
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisCombinação de Classificadores (seleção)
Combinação de Classificadores (seleção) André Tavares da Silva andre.silva@udesc.br Livro da Kuncheva Roteiro Seleção de classificadores Estimativa independente de decisão Estimativa dependente de decisão
Leia mais( ) Aula de Hoje. Introdução a Sistemas Inteligentes. Modelo RBF (revisão) Modelo RBF (revisão)
Introdução a Sistemas Inteligentes ópicos em Redes Neurais III: Redes Neurais RBF ª Parte Prof. Ricardo J. G. B. Campello ICMC / USP Aula de Hoje Revisão de Modelos RBF reinamento de Modelos RBF Estimação
Leia maisCálculo Diferencial e Integral I CDI I
Cálculo Diferencial e Integral I CDI I Limites laterais e ites envolvendo o infinito Luiza Amalia Pinto Cantão luiza@sorocaba.unesp.br Limites 1 Limites Laterais a à diretia b à esquerda c Definição precisa
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisAula 5: k-means. Paulo C. Marques F. 1 de Abril de Aula ministrada no Insper. Insper Aula 5: k-means 1 de Abril de / 19
Aula 5: k-means Paulo C. Marques F. Aula ministrada no Insper 1 de Abril de 2016 Insper Aula 5: k-means 1 de Abril de 2016 1 / 19 Aprendizagem não supervisionada Encerramos, por hora, o capítulo sobre
Leia maisMAT 1351 : Cálculo para Funções de Uma Variável Real I. Sylvain Bonnot (IME-USP)
MAT 1351 : Cálculo para Funções de Uma Variável Real I Sylvain Bonnot (IME-USP) 2016 1 Informações gerais Prof.: Sylvain Bonnot Email: sylvain@ime.usp.br Minha sala: IME-USP, 151-A (Bloco A) Site: ver
Leia maisINTELIGÊNCIA ARTIFICIAL E SISTEMAS DE DECISÃO Ano Lectivo 2005/2006 Semestre de Inverno. 1º Exame, 13/Janeiro/2006
Mestrado em Engenharia Electrotécnica e de Computadores Licenciatura em Engenharia Electrotécnica e de Computadores Licenciatura em Engenharia Aeroespacial INTELIGÊNCIA ARTIFICIAL E SISTEMAS DE DECISÃO
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade
1) Analise as alternativas abaixo e marque V para verdadeiro e F para falso. No segundo caso, explique como as tornaria verdadeiras: ( ) O método das secantes é utilizado para solucionar um problema de
Leia maisCapítulo III Sistemas de equações
Capítulo III Sistemas de equações III1 - Condicionamento de sistemas lineares 1 Seja 1 0 0 10 6 e considere o sistema Ax = b, com b = 1 10 6 T, que tem por solução exacta x = 1 1 T (a) Determine cond(a)
Leia maisProjeções Multi-dimensionais
Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 23 de setembro de 2010 Introdução
Leia maisMapeamento robótico. Mapeamento semântico. Metodologia. Maquinas de vetores de suporte. Maquinas de vetores de suporte. Modelos ocultos de Markov
Mapeamento robótico Exemplos de mapas: Mapeamento semântico Mapeamento semântico consiste na criação de mapas que não representam apenas a ocupação métrica do ambiente, mas também outras propriedades.
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisθ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
Leia maisOrganização. 1. Introdução 2. Medidas de Similaridade. hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters
Organização. Introdução 2. Medidas de Similaridade 3. Métodos de Agrupamento (métodos hierárquicos, de partição) 4. Critérios numéricos para definir o número de clusters Métodos de Partição Cada exemplo
Leia maisii) Determine a função de Lagrange do sistema (massa pontual ) em função da variável.
Mestrado Integrado em Engenharia Aeroespacial Mecânica e Ondas 1º Ano -º Semestre º Exame 03/07/014 15:00h Duração do Exame: :30h Leia o enunciado com atenção. Justifique todas as respostas. Identifique
Leia maisLei de Gauss. O produto escalar entre dois vetores a e b, escrito como a. b, é definido como
Lei de Gauss REVISÃO DE PRODUTO ESCALAR Antes de iniciarmos o estudo do nosso próximo assunto (lei de Gauss), consideramos importante uma revisão sobre o produto escalar entre dois vetores. O produto escalar
Leia maisÁlgebra Linear. 8 a Lista: a) Use o processo de ortogonalização de Gram Schmidt para construir uma base ortonormada para W.
Álgebra Linear Cursos: Química, Engenharia Química, Engenharia de Materiais, Engenharia Biológica, Engenharia do Ambiente 1 ō ano/1 ō Semestre 2006/07 8 a Lista: Nos exercícios em que n~ao se especifica
Leia maisElementos de Matemática Discreta
Duração: 55m Instituto Superior Técnico - Departamento de Matemática Licenciatura em Engenharia de Telecomunicações e Informática Elementos de Matemática Discreta - 2015-2016 Teste 3 - teste tipo Cotação
Leia maisAula de Hoje. Processamento Estatístico da Linguagem Natural. Classificação Seqüencial. HMMs e MEMMs. Cadeias de Markov. Especificação Formal
Processamento Estatístico da Linguagem Natural Aula 13 Professora Bianca (Sala 302 Bloco E) bianca@ic.uff.br http://www.ic.uff.br/~bianca/peln/ Aula de Hoje Cap. 6 Jurafsky & Martin Hidden Markov and Maximum
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística. Curso: Engenharia de Produção
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisLista 6: transformações lineares.
Lista 6: transformações lineares. 1) Diga, justificando, quais das seguintes funções constituem transformações lineares. a) T : R 2 R 2 tal que T (x 1, x 2 ) = (x 1 + x 2, 3x 1 x 2 ) b) T : R 2 R 2 tal
Leia maisINTELIGÊNCIA ARTIFICIAL 2008/09
INTELIGÊNI RTIFIIL 2008/09 PROUR 1) onsidere o problema da torre de Hanoi com discos. Neste problema, existem três pinos, e e discos de diâmetros diferentes, estando no início todos os discos colocados
Leia maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisEXPRESSÕES ARITMÉTICAS PARTE 1
AULA 5 EXPRESSÕES ARITMÉTICAS PARTE 1 5.1 Operadores aritméticos Os operadores aritméticos definem as operações aritméticas que podem ser realizadas sobre os números inteiros e reais. Para os inteiros,
Leia maisà Análise de Padrões
CC-226 Introdução à Análise de Padrões Prof. Carlos Henrique Q. Forster Visão Geral do Curso e Introdução a Classificadores Padrões São apresentados como tuplas de variáveis aleatórias O conjunto amostra
Leia maisLISTA DE EXERCÍCIOS. [01] Determine o domínio natural (efetivo) de cada uma das funções indicadas abaixo.
LISTA DE EXERCÍCIOS Pré-Cálculo Humberto José Bortolossi http://www.professores.uff.br/hjbortol/ 04 Transformações de gráficos de funções, função raiz quadrada, funções potência [01] Determine o domínio
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia mais2COP229 Inteligência Computacional. Aula 3. Clusterização.
Aula 3 Clusterização Sumário (Clusterização) - Introdução - Aprendizado Não Supervisionado - Aprendizado Supervisionado - Introdução: Clusterização - Etapas para o processo de Clusterização - Distância
Leia mais5. Expressões aritméticas
5. Expressões aritméticas 5.1. Conceito de Expressão O conceito de expressão em termos computacionais está intimamente ligado ao conceito de expressão (ou fórmula) matemática, onde um conjunto de variáveis
Leia maisPROVA 435/8 Págs. EXAME NACIONAL DO ENSINO SECUNDÁRIO
PROVA 435/8 Págs. EXAME NACIONAL DO ENSINO SECUNDÁRIO 12.º Ano de Escolaridade (Decreto-Lei n.º 286/89, de 29 de Agosto) Cursos Gerais e Cursos Tecnológicos Duração da prova: 120 minutos ÉPOCA ESPECIAL
Leia maisAntes de começar o exame leia atentamente esta folha de rosto
Instituto Superior Técnico Licenciatura em Ciências Informáticas Licenciatura em Engenharia Física Tecnológica Licenciatura em Engenharia Electrotécnica e de Computadores Sistemas Digitais Exame de 1ª
Leia maisEXAME DE RESUMOS.TK. Autor: Francisco Cubal. A ausência dessa indicação implica a classificação com zero pontos das respostas aos itens do Grupo I.
Estudar nunca foi tão fácil! EXAME DE RESUMOS.TK Autor: Francisco Cubal Prova Escrita de Matemática A 12.º Ano de Escolaridade Prova MAT12/2.ª Fase 11 Páginas Duração da Prova: 150 minutos. Tolerância:
Leia maisExercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA
Exercícios de ANÁLISE E SIMULAÇÃO NUMÉRICA Licenciaturas em Engenharia do Ambiente e Química 2 o Semestre de 2005/2006 Capítulo III Resolução Numérica de Sistemas de Equações Normas, Erros e Condicionamento.
Leia maisInstituto Politécnico de Tomar Escola Superior de Tecnologia de Tomar Área Interdepartamental de Matemática
Instituto Politécnico de Tomar Escola Superior de Tecnologia de Tomar Área Interdepartamental de Matemática Análise Numérica Licenciaturas em Engenharia Ambiente,Civil e Química I - Equações Não Lineares.
Leia maisProva Prática de Geometria Descritiva A
EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Lei n.º 74/2004, de 26 de Março Prova Prática de Geometria Descritiva A 11.º/12.º Anos de Escolaridade Prova 708/2.ª Fase 6 Páginas Duração da Prova: 150 minutos.
Leia mais4 Modelagem Numérica. 4.1 Método das Diferenças Finitas
4 Modelagem Numérica Para se obter a solução numérica das equações diferenciais que regem o processo de absorção de CO 2,desenvolvido no capitulo anterior, estas precisam ser transformadas em sistemas
Leia maisCIC 111 Análise e Projeto de Algoritmos II
CIC 111 Análise e Projeto de Algoritmos II Prof. Roberto Affonso da Costa Junior Universidade Federal de Itajubá AULA 29 Geometry Complex numbers Points and lines Polygon area Distance functions Geometry
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Escolha de modelos Até aqui assumimos que z
Leia maisReconhecimento de Tipos de Movimento Humano baseados no método GMM.
Reconhecimento de Tipos de Movimento Humano baseados no método GMM. C.Gonçalves 1 ; L.A.Pereira; J.C.Pizolato, Jr.; A.Gonzaga. Escola de Engenharia de São Carlos-EESC-USP Av. Trab. São-Carlense, 400 CP
Leia maisESTATÍSTICA. Ana Paula Fernandes - FAMAT/UFU
ESTATÍSTICA Ana Paula Fernandes - FAMAT/UFU 1 REFERÊNCIAS BIBLIOGRÁFICAS 2 BUSSAB & MORETTIN Quadro! 3 QUANTIS EMPÍRICOS 4 QUANTIL DE ORDEM P OU P-QUANTIL Quantil de ordem p ou p-quantil, indicada por
Leia maisFunção par e função ímpar
Pré-Cálculo Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Função par e função ímpar Parte 4 Parte 4 Pré-Cálculo 1 Parte 4 Pré-Cálculo 2 Função par Definição
Leia maisRESOLUÇÃO. Computação e Programação (2009/2010-1º Semestre) 1º Teste (11/11/2009) Nome. Número. Leia com atenção os pontos que se seguem:
Computação e Programação (2009/2010-1º Semestre) 1º Teste MEMec - LEAN (11/11/2009) DURAÇÃO: 1h30m RESOLUÇÃO Leia com atenção os pontos que se seguem: Comece por escrever o seu nome e número nesta folha,
Leia mais4 Estado da Arte do Kernel PCA
4 Estado da Arte do Kernel PCA Conforme apresentado no Capítulo 1, o Kernel PCA é uma técnica promissora para auxiliar no processo de ajuste de histórico, devido a sua capacidade de extrair parte da estatística
Leia maisLinha Técnica Sessão VI Métodos de Homogeneização
Impact Evaluation Linha Técnica Sessão VI Métodos de Homogeneização Human Development Network Spanish Impact Evaluation Fund www.worldbank.org/sief Quando podemos usar homogeneização? E se a designação
Leia maisPSI2651 PROCESSAMENTO, ANÁLISE E SÍNTESE DE IMAGENS. 1 o período de 2005 LISTA DE EXERCÍCIOS
PSI PROCESSAMENTO, ANÁLISE E SÍNTESE DE IMAGENS o período de LISTA DE EXERCÍCIOS ) Considerando imagens do tipo da figura abaixo. Descreva um procedimento que identifique quantas células com furo e quantas
Leia mais2º Laboratório de Sistemas e Sinais (LEIC Alameda 2008/09)
2º Laboratório de Sistemas e Sinais (LEIC Alameda 2008/09) Data de realização e de entrega: aula das semanas 6-17/Abril /2009. Local da realização: Laboratório de Controlo, Automação e Robótica, localizado
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisMatemática Computacional - Exercícios
Matemática Computacional - Exercícios o semestre de 009/00 - LEMat e MEQ Resolução de sistemas lineares. Inuência dos erros de arredondmento. Consideremos o sistema linear A x = b, onde 0 6 0 A = 0 6,
Leia maisFicha de Trabalho 09 e 10
Ficha de Trabalho 09 e 0 Diagonalização. (Aulas a 6). Diagonalização. Valores e vectores próprios. Equação característica. Matrizes semelhantes. Matriz diagonalizável. Factorização PDP -. Diagonalização
Leia maisFunções - Primeira Lista de Exercícios
Funções - Primeira Lista de Exercícios Vers~ao de 0/03/00 Recomendações Não é necessário o uso de teoremas ou resultados complicados nas resoluções. Basta que você tente desenvolver suas idéias. Faltando
Leia maisLista de exercícios de MAT / II
1 Lista de exercícios de MAT 271-26 / II 1. Converta os seguintes números da forma decimal para a forma binária:x 1 = 37; x 2 = 2347; x 3 =, 75; x 4 =(sua matrícula)/1; x 5 =, 1217 2. Converta os seguintes
Leia maisCurso de Álgebra Linear
Curso de Álgebra Linear Fundamentos e Aplicações Terceira Edição 25 de Outubro de 2012 Marco Cabral PhD Indiana University, EUA Paulo Goldfeld PhD Courant Institute, EUA Departamento de Matemática Aplicada
Leia maisLista 2 Sistemas Inteligentes (INE5633) 2014s2
Lista 2 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina 1. (Baseado em questão do POSCOMP 2009) Considere a árvore minimax abaixo representando um jogo, onde queremos maximizar
Leia maisMeanShift Segmentation
COPPE-UFRJ MeanSift Segmentation Ricardo Marroquim data entrega: pós-graduação: 24/06/206 graduação: 30/06/206 OBJETIVO Gerar uma filtragem e segmentação da imagem utilizando o algoritmo Mean-Sift. A entrada
Leia maisPROCURA E PLANEAMENTO
PROCURA E PLANEAMENTO Primeiro Exame 12 de Janeiro de 2006 17:00-19:00 Este exame é composto por 13 páginas contendo 6 grupos de perguntas. Identifique já todas as folhas do exame com o seu nome e número.
Leia maisRedes de Computadores I Licenciatura em Eng. Informática e de Computadores 1 o Semestre, 30 de Novembro de o Teste A
Redes de Computadores I Licenciatura em Eng. Informática e de Computadores 1 o Semestre, 30 de Novembro de 2005 2 o Teste A Número: Nome: Duração: 1 hora O teste é sem consulta O teste deve ser resolvido
Leia mais